Foundry IQ(Azure AI 검색)란?

참고

Foundry IQ (Azure AI 검색)는 관리 검색을 위해 직접 인덱싱 및 쿼리 API와 함께 상위 수준의 지식 소스 및 지식 베이스 API를 제공합니다. Azure 포털, REST API 또는 Azure SDK 사용하여 이러한 기능을 구성하거나 Microsoft Foundry 포털의 기술 자료에 에이전트를 연결합니다.

foundry IQ(Azure AI 검색)는 데이터를 AI에 연결하는 완전히 관리되는 클라우드 호스팅 서비스입니다. 직접 리소스 구성에서 상위 수준의 지식 API에 이르기까지 수집 및 검색을 위한 보완 API 수준을 제공합니다. 에이전트 및 LLM(대규모 언어 모델)은 엔터프라이즈 및 웹 콘텐츠를 사용하여 근거 있는 답변을 생성합니다.

관리하는 수집 파이프라인의 경우 지원되는 인덱스, 인덱서, 기술 세트 및 벡터화 설정을 직접 구성합니다. 더 높은 수준의 지식 원본 및 기술 자료 API를 사용하여 콘텐츠 연결 및 검색 동작을 관리합니다.

원본 유형에 따라 지식 원본은 수집 리소스를 프로비전하거나, 기존 인덱스를 참조하거나, 로컬 수집 없이 원격 콘텐츠를 검색합니다. 고정 템플릿을 따르는 생성된 수집 리소스를 직접 편집하는 대신, 사용자의 지식 소스 유형에 대한 구성 지침을 따릅니다.

Foundry IQ는 클래식 검색 및 RAG(검색 증강 생성)을 지원합니다. 지식 베이스는 구성에 따라 쿼리 시점 검색을 오케스트레이션하고 근거 콘텐츠 또는 합성된 답변을 반환하는 에이전트형 검색을 제공합니다. 이 쿼리 시간 오케스트레이션은 수집과 다릅니다.

에이전트가 지식 베이스 및 지식 소스를 사용하는 방법은 Foundry IQ의 지식 검색 API를 참조하세요.

Foundry IQ 서비스를 만들 때 다음 기능이 포함됩니다.

  • 다양한 추상화 수준의 API: 인덱스에 대한 직접 쿼리를 위한 클래식 검색과 지식 기반을 통해 지식 소스 전반에 걸친 상위 수준 오케스트레이션을 위한 에이전트형 검색.
  • 로컬(인덱싱됨) 및 원격 콘텐츠에 대한 전체 텍스트, 벡터, 하이브리드 및 다중 모드 쿼리입니다.
  • AI 강화하여 청크화, 벡터화 등을 통해 원시 콘텐츠를 검색 용이하게 만들 수 있습니다.
  • 의도 일치 및 결과 품질을 개선하기 위한 관련성 튜닝
  • Azure 규모, 보안, 모니터링 및 규정 준수.
  • 지원되는 데이터 플랫폼, Azure OpenAI 및 Microsoft Foundry와의 Azure 통합.

Foundry IQ를 사용하는 이유

  • 독점적이고 엔터프라이즈 혹은 웹 데이터에 기반하여 에이전트와 챗봇이 정확하고 컨텍스트를 인식한 응답을 제공합니다.

  • Azure Blob Storage, Azure Cosmos DB, Microsoft SharePoint, Microsoft OneLake 및 기타 지원되는 데이터 원본에서 데이터에 액세스합니다. 새로 고침, 대기 시간 및 규정 준수 요구 사항에 따라 인덱싱된 액세스 또는 원격 액세스를 선택합니다.

  • 청크 분할, 포함, 그리고 LLM 기반 변환 기술을 활용해 인덱싱 단계와 쿼리 단계에서 콘텐츠를 보강하고 구성합니다.

  • 전체 텍스트 검색을 벡터 검색(하이브리드 검색)과 결합하여 정밀도와 재현율의 균형을 조정합니다.

  • 단일 멀티모달 파이프라인에서 텍스트와 이미지를 모두 포함하는 콘텐츠를 쿼리합니다.

  • 관련성 튜닝, 패싯 탐색, 필터(지역 공간 검색 포함), 동의어 매핑 및 자동 완성과 같은 검색 관련 기능을 쉽게 구현할 수 있습니다.

  • Microsoft Entra ID, Azure Private Link, 문서 수준 액세스 제어 및 역할 기반 액세스를 통해 엔터프라이즈 보안, 액세스 제어 및 규정 준수를 제공합니다.

  • 자동화를 위한 Azure 안정성, 모니터링 및 진단(로그, 메트릭 및 경고) 및 REST API 또는 SDK 도구를 사용하여 프로덕션 환경에서 확장 및 작동합니다.

특정 기능에 대한 자세한 내용은 Foundry IQ의 기능을 참조하세요.

클래식 검색은 예측 가능하고 짧은 대기 시간 쿼리를 위한 인덱스 우선 검색 모델입니다. 각 쿼리는 미리 정의된 단일 검색 인덱스를 대상으로 하며 순위가 지정된 문서를 하나의 요청-응답 주기로 반환합니다. 검색하는 동안 LLM 지원 계획, 반복 또는 합성이 발생하지 않습니다.

이 아키텍처에서 Foundry IQ 서비스는 처리되지 않은 콘텐츠가 포함된 데이터 저장소와 클라이언트 앱 사이에 있습니다. 앱은 Foundry IQ 서비스에 쿼리 요청을 보내고 응답을 처리합니다.

이 아키텍처에는 두 가지 기본 워크로드가 있습니다.

인덱싱은 인덱스에 콘텐츠를 로드하고 검색할 수 있게 합니다. 내부적으로 인바운드 텍스트는 토큰화되고 반전된 인덱스에 저장되고 인바운드 벡터는 벡터 인덱스에 저장됩니다. Foundry IQ는 JSON 문서만 인덱싱할 수 있습니다. 푸시 메서드를 사용하여 JSON 문서를 직접 업로드하거나 끌어오기 메서드(인덱서 또는 논리 앱 워크플로)를 사용하여 데이터를 검색하고 JSON으로 serialize할 수 있습니다.

인덱싱하는 동안 AI 보강 을 사용하여 텍스트를 청크하고, 벡터를 생성하고, 구조와 콘텐츠를 만드는 다른 변환을 적용할 수 있습니다. 그런 다음 Foundry IQ는 보강된 출력을 JSON 문서로 직렬화하고 인덱스에 수집하여 넣습니다.

클래식 검색을 위한 Foundry IQ 아키텍처 다이어그램

참고

이 다이어그램은 명확성을 위해 인덱싱 및 쿼리 엔진을 구분하지만 Foundry IQ에서는 읽기/쓰기 및 읽기 전용 모드에서 작동하는 동일한 구성 요소입니다.

에이전트 검색이란 무엇입니까?

에이전트 검색 은 복잡한 에이전트-에이전트 워크플로를 위해 설계된 다중 쿼리 파이프라인입니다. 각 쿼리는 전체 지식 도메인을 나타내는 기술 자료를 대상으로 합니다. 에이전트는 무엇을 접지해야 하는지에 대해 지식 베이스를 참조하고, 지식 베이스는 접지를 수행하는 방법을 처리합니다.

기술 자료는 하나 이상의 기술 자료, 쿼리 계획 및 응답 합성을 위한 선택적 LLM 및 검색 동작을 제어하는 매개 변수로 구성됩니다. 각 쿼리는 계획, 집중된 하위 쿼리로 분해, 기술 소스에서 병렬 검색, 의미 체계 재전송 및 결과 병합을 거칩니다. 세 갈래로 설계된 응답은 에이전트 활용에 특히 최적화되어 있습니다.

내부적으로 에이전트 검색은 다중 소스 검색을 오케스트레이션하는 컨텍스트 계층(기술 자료)을 추가하여 클래식 검색 아키텍처를 기반으로 합니다. 기술 원본을 인덱싱하거나 원격으로 만들 수 있습니다. 인덱싱된 원본은 클래식 검색과 동일한 인덱싱 및 쿼리 엔진을 사용하는 반면 원격 원본은 인덱싱을 우회하고 실시간으로 쿼리됩니다.

에이전트 검색을 위한 Foundry IQ 아키텍처 다이어그램

비교 방법

클래식 검색 및 에이전트형 검색은 Foundry IQ 내에서 다양한 API 수준 및 검색 기능을 노출합니다. 둘 다 전체 텍스트, 벡터, 하이브리드 및 다중 모드 검색을 지원합니다. 그러나 콘텐츠 수집 및 쿼리 방식은 다릅니다. 다음 표에서는 주요 차이점을 요약합니다.

특성 클래식 검색 에이전트 검색
검색 모음 검색 인덱스 지식 원본
검색 대상 스키마로 정의된 인덱스 1개 하나 이상의 지식 원본을 가리키는 기술 자료
쿼리 실행 계획 계획 없음, 요청만 LLM 지원 또는 사용자가 제공한 계획
쿼리 요청 인덱스에서 문서 검색 지식 원본에서 검색
응답 스키마 기반의 평면화된 검색 결과 LLM에서 공식화한 답변 또는 원시 원본 데이터, 활동 로그, 참조
지역 제한 사항 아니요 예
상태 일반 공급 미리 보기의 일부 기능과 함께 일반 공급
전용 가격 책정 모델 지원 예 예
서버리스 가격 책정 모델 지원 예 예

시작하는 방법

Azure 포털, REST APIs 및 .NET, Java, JavaScript 및 Python용 Azure SDK를 통해 Foundry IQ에 액세스할 수 있습니다.

포털은 기술 자료, 기술 원본, 인덱스, 인덱서, 기술 세트 및 데이터 원본을 프로토타입으로 만드는 도구를 사용하여 서비스 관리 및 콘텐츠 관리에 유용합니다. REST API 및 SDK는 프로덕션 자동화에 유용합니다.

경로 선택

시작하기 전에 다음 검사 목록을 사용하여 주요 결정을 내립니다.

  • 가격 책정 모델 선택: 전용 또는 서버리스 가격 책정 모델 중에서 선택합니다. 요구 사항에 가장 적합한 모델을 선택하는 방법에 대한 도움말은 가격 책정 모델 및 서비스 계층 선택을 참조하세요.

  • 데이터를 가져오는 방법을 선택하세요: 검색 인덱스에서 직접 쿼리하여 예측 가능하고 대기 시간이 짧은 결과를 확인하거나 에이전트 검색을 사용하여 기술 자료를 통해 여러 인덱스를 쿼리할 수 있습니다. 에이전트 또는 챗봇 없이 기존 앱을 빌드하는 경우 직접 인덱스 쿼리는 비용과 복잡성을 낮추어 대부분의 요구를 충족할 수 있습니다. 여러 지식 원본에서 작업하거나 고급 시나리오를 지원하려면 최소한의 추론 노력으로 에이전트 검색을 고려합니다.

  • 지역을 선택합니다. 에이전트형 검색을 사용하는 경우 지원되는 지역을 선택합니다. 클래식 검색의 경우 필요한 기능과 용량을 제공하는 지역을 선택합니다.

  • 인덱스 바인딩된 콘텐츠에 대한 수집 방법을 선택합니다 . 콘텐츠가 지원되는 데이터 원본에 있는 경우 끌어오기 메서드 를 사용하여 데이터를 검색하고 JSON으로 직렬화합니다. 지원되는 데이터 원본이 없거나 콘텐츠와 인덱스가 실시간으로 동기화되어야 하는 경우 푸시 방법이 유일한 옵션입니다.

  • 벡터가 필요한가요? LLM 및 에이전트에는 벡터가 필요하지 않습니다. 유사성 검색이 필요하거나 벡터로 균질화할 수 있는 콘텐츠가 있는 경우에만 사용합니다. Foundry IQ는 이 작업에 대한 통합 벡터화를 제공합니다.

  • 액세스 제어 방법을 선택합니다. 기본 권한 수집 및 쿼리 필터링은 일반적으로 REST API2026-10-01에서 지원되는 Blob, ADLS Gen2 및 인덱싱된 SharePoint 시나리오에 사용할 수 있습니다. 원격 SharePoint 및 OneLake 권한 보존에는 각각 별도의 미리 보기 요구 사항이 적용됩니다. 원본별 권한 모델을 검토합니다. 사용자 지정 ID/인증 시스템의 경우 보안 필터를 사용합니다.

학습 리소스 선택

이러한 빠른 시작 및 샘플은 시작하는 데 도움이 됩니다.

팁

복잡하거나 사용자 지정 솔루션에 대한 도움말은 Foundry IQ의 전문 지식을 갖춘 파트너에게 문의 하세요.